第二章 感知机

第二章 感知机

基本梳理

附上思维导图:

• 感知机模型

  • 输入
    • 特征向量
  • 输出
    • 类别
  • 判别模型
  • 基于误分类损失函数
  • 利用梯度下降法对损失函数进行极小化
  • 学习算法
    • 原始形式
    • 对偶形式
  • 神经网络与支持向量机的基础
  • 定义
  • 几何解释

• 感知机学习策略

  • 定义损失函数
    • 距离
      • $\frac{1}{\Vert w\Vert }\left|w\cdot x_0+b\right|$
    • 误分类点
      • $-y_i\left(w\cdot x_i+b\right)>0$
    • 误分类点距离
      • $-\frac{1}{\Vert w\Vert }{y}_i\left(w\cdot x_i+b\right)$
    • 总距离
      • $-\frac{1}{\Vert w\Vert }{\sum }_{x_i\in \mathcal{M}}{y}_i\left(w\cdot x_i+b\right)$
    • 损失函数
      • $L(w,b)=-{\sum }_{x_i\in M}{y}_i\left(w\cdot x_i+b\right)$
      • M为误分类点的数目

• 感知机学习算法

  • 最优化问题

    • ${\min }_{w,b}L(w,b)=-{\sum }_{x_i\in M}{y}_t\left(w\cdot x_i+b\right)$

  • 随机梯度下降法

    • 首先任意选择一个超平面,w,b,然后不断极小化目标函数,损失函数L的梯度:
    • 选取误会
      • ${\nabla }_{w}L(w,b)=-{\sum }_{x\in M}{y}_i{x}_i{\nabla }_{b}L(w,b)=-{\sum }_{x\in M}{y}_t$
      • $w\leftarrow w+\eta y_i{x}_{i}b\leftarrow b+\eta y_i$

  • 感知机学习算法的原始形式

    

  • 算法的收敛性

    

    • 误分类的次数k是有上界的,当训练集线性分时,感知机学习算法原始形式迭代是收敛的
    • 感知机算法存在许多解,原因?
      • 初值
      • 迭代过程中误分类的选择顺序
    • 为得到唯一分离超平面,需要增加约束,如SVM
    • 线性不可分数据集,迭代震荡

  • 对偶形式

    

    

    

代码小练习

损失函数:$L(w,b)=-\Sigma y_i(w\ast x_i+b)$

算法: 随机梯度下降法

随机抽取一个误分类点使其梯度下降。

$w=w+\eta y_i{x}_i$

$b=b+\eta y_i$

1. 导入数据

拿出iris数据集中两个分类的数据和[sepal length，sepal width]作为特征

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline

iris = load_iris()
df = pd.DataFrame(iris.data,columns=iris.feature_names)
df["label"] = iris.target
# 任取10个
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']

plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

data = np.array(df.iloc[:100,[0,1,-1]])
X, y = data[:,:-1],data[:,-1]

y[y == 0]= -1

$X,y$分别为特征向量,和标签

2. 训练模型

class Model:
    def __init__(self):
        self.w = np.random.rand(2)
        self.b = 0
        self.l_rate = 0.1
    def sign(self,x,w,b):
        y = np.dot(x,w) + b
        return y
    def fit(self,X_train,y_train):
        is_wrong = True
        while is_wrong:
            wrong_count = 0
            for d in range(len(X_train)):
                X = X_train[d]
                y = y_train[d]
                if y*self.sign(X,self.w,self.b) <= 0:
                    self.w +=  self.l_rate*np.dot(y,X)
                    self.b += self.l_rate*y
                    wrong_count += 1
            if wrong_count == 0:
                is_wrong = False
        return "Perceptron Model"

perceptron = Model()
perceptron.fit(X,y)

'Perceptron Model'

perceptron.w

array([  7.88184795, -10.03027928])

perceptron.b

-12.399999999999972

x_points = np.linspace(4, 7,10)
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]
plt.plot(x_points, y_)
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

<matplotlib.legend.Legend at 0x25ce79459b0>

---

scikit-learn Perceptron

from sklearn.linear_model import Perceptron

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)

Perceptron(alpha=0.0001, class_weight=None, eta0=1.0, fit_intercept=False,
      max_iter=1000, n_iter=None, n_jobs=1, penalty=None, random_state=0,
      shuffle=False, tol=None, verbose=0, warm_start=False)

# Weights assigned to the features.
print(clf.coef_)

[[  74.6 -127.2]]

# 截距 Constants in decision function.
print(clf.intercept_)

[ 0.]

clf.coef_

array([[  74.6, -127.2]])

x_ponits = np.arange(4, 8)
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]

plt.plot(x_ponits, y_)
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

<matplotlib.legend.Legend at 0x25ce8d7ab70>